基于社会学习的最快检测：局部与全局决策者的交互
计算机科学与博弈论
2012-03-05 v3 信息论
math.IT
统计方法学
摘要
我们考虑局部和全局决策策略如何在停时问题（如最快变化检测）中交互。个体智能体通过社会学习做出短视的局部决策：每个智能体记录对含噪底层状态过程的私有观测，自私地优化其局部效用，然后广播其局部决策。给定这些局部决策，当底层状态根据相型分布变化时，全局决策者如何实现最快变化检测？本文给出四个结果。第一，利用测度的Blackwell优势，证明基于社会学习的最快检测所产生的最优代价总是大于经典最快检测。第二，证明一般而言，基于社会学习的最快检测的最优决策策略由贝叶斯分布空间内的多个阈值刻画。第三，利用格规划和随机优势，给出最优决策策略由单个线性超平面（或更一般地，一条阈值曲线）构成的充分条件。该阈值曲线的最优线性逼近的估计被表述为一个基于仿真的随机优化问题。最后，本文表明，在具有最快检测的多智能体传感器管理中，每个智能体根据其先验看待世界，其最优策略具有与社会学习类似的结构。
引用
@article{arxiv.1007.0571,
title = {Quickest Detection with Social Learning: Interaction of local and global decision makers},
author = {Vikram Krishnamurthy},
journal= {arXiv preprint arXiv:1007.0571},
year = {2012}
}